論文の概要: Physics-aware Spatiotemporal Modules with Auxiliary Tasks for
Meta-Learning
- arxiv url: http://arxiv.org/abs/2006.08831v2
- Date: Mon, 7 Jun 2021 22:03:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 02:11:35.590609
- Title: Physics-aware Spatiotemporal Modules with Auxiliary Tasks for
Meta-Learning
- Title（参考訳）: メタラーニングのための補助タスク付き物理アウェア時空間モジュール
- Authors: Sungyong Seo, Chuizheng Meng, Sirisha Rambhatla, Yan Liu
- Abstract要約: 実世界の物理システムのダイナミクスは予測タスクには不可欠だが、データに制限がある場合には困難である。
本稿では,空間モジュールにPDEに依存しない知識が組み込まれ,時空間モジュールが空間モジュールから一般化された特徴を利用する,補助的タスクを伴う物理認識型メタラーニングフレームワークを提案する。
提案手法を実世界の時間的予測タスクの合成に応用し,その優れた性能を限られた観測で実証する。
- 参考スコア（独自算出の注目度）: 21.63887801620823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling the dynamics of real-world physical systems is critical for
spatiotemporal prediction tasks, but challenging when data is limited. The
scarcity of real-world data and the difficulty in reproducing the data
distribution hinder directly applying meta-learning techniques. Although the
knowledge of governing partial differential equations (PDE) of data can be
helpful for the fast adaptation to few observations, it is mostly infeasible to
exactly find the equation for observations in real-world physical systems. In
this work, we propose a framework, physics-aware meta-learning with auxiliary
tasks, whose spatial modules incorporate PDE-independent knowledge and temporal
modules utilize the generalized features from the spatial modules to be adapted
to the limited data, respectively. The framework is inspired by a local
conservation law expressed mathematically as a continuity equation and does not
require the exact form of governing equation to model the spatiotemporal
observations. The proposed method mitigates the need for a large number of
real-world tasks for meta-learning by leveraging spatial information in
simulated data to meta-initialize the spatial modules. We apply the proposed
framework to both synthetic and real-world spatiotemporal prediction tasks and
demonstrate its superior performance with limited observations.
- Abstract（参考訳）: 実世界の物理システムのダイナミクスのモデリングは時空間予測タスクには不可欠であるが、データが限られている場合には困難である。
現実世界のデータ不足とデータ分散の再現の難しさは、メタラーニング技術を直接適用することを妨げる。
データの偏微分方程式(PDE)の知識は、ほとんど観測に迅速に適応するのに有効であるが、実世界の物理システムで観測する方程式を正確に見つけることは不可能である。
本研究では,pde非依存知識を組み込んだ空間モジュールと,空間モジュールの一般化した特徴を限定データに適用する時間モジュールを用いた,補助タスクを用いた物理認識メタラーニングの枠組みを提案する。
この枠組みは、数学的に連続性方程式として表される局所保存法則に着想を得ており、時空間観測をモデル化するための厳密な統治方程式を必要としない。
提案手法は,シミュレーションデータ中の空間情報を利用して空間モジュールのメタ初期化を行うことにより,メタ学習のための多数の実世界のタスクの必要性を緩和する。
提案手法を合成時空間予測タスクと実世界時空間予測タスクの両方に適用し,限られた観測で優れた性能を示す。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - A physics-based domain adaptation framework for modelling and
forecasting building energy systems [5.8010446129208155]
最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。
しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。
我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
論文 参考訳（メタデータ） (2022-08-19T17:27:39Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Dream to Explore: Adaptive Simulations for Autonomous Systems [3.0664963196464448]
ベイズ的非パラメトリック法を適用し,力学系制御の学習に挑戦する。
ガウス過程を用いて潜在世界力学を探索することにより、強化学習で観測される一般的なデータ効率の問題を緩和する。
本アルゴリズムは,ログの変動的下界を最適化することにより,世界モデルと政策を共同で学習する。
論文 参考訳（メタデータ） (2021-10-27T04:27:28Z) - Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。
機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。
提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文 参考訳（メタデータ） (2021-08-11T18:05:55Z) - Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。
本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文 参考訳（メタデータ） (2021-06-14T04:31:15Z) - A Novel Framework for Spatio-Temporal Prediction of Environmental Data
Using Deep Learning [0.0]
本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。
具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。
実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2020-07-23T07:44:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。